Muse Wonder Full não é o modelo disponível na API

A Meta lançou o Muse Wonder e o Muse Wonder Full a 12 de outubro de 2026, mas o Full, o modelo mais capaz, não está disponível na Meta Model API. Exige uma subscrição compatível do Muse Code. Isso muda a minha leitura do lançamento: os melhores resultados do Full justificam testar o Full; uma integração com a API precisa de dados sobre o Wonder que pode realmente chamar. [1] [2]

É possível usar o Muse Wonder Full por API?

Não. A Meta Developers diz expressamente que o Full só está disponível através de subscrições do Muse Code e que escolher max no Wonder não seleciona o Full. O modelo da API é muse-wonder-1.0. O Full é uma variante mais capaz com outra forma de acesso, não outro nome para o nível máximo de raciocínio do Wonder. [2]

Esta distinção importa antes de comparar benchmarks. Se estiver a escolher um modelo para um agente que já usa uma API, a coluna do Wonder é o ponto de partida relevante. Se procurar um agente de terminal e aceitar pagar uma subscrição, o Full entra na comparação, juntamente com as ferramentas e os limites do Muse Code.

A subscrição também está ligada à credencial do Muse Code criada durante a configuração inicial. A documentação da Meta diz que essa credencial só pode ser usada no Muse Code; as chaves adicionais da API são faturadas à parte, por consumo. Pagar o plano não torna o Full disponível em qualquer cliente de API. [6]

Esta distinção é mais útil do que tratar o lançamento como outra versão da confusão com o lançamento e os benchmarks do Muse Spark 1.3. Aqui, a Meta documenta claramente a separação. Quem lê continua a precisar de associar cada resultado ao modelo certo.

O que mostram realmente os benchmarks do Muse Wonder?

A diferença entre o Wonder e o Full é pequena num teste de programação e maior noutro. A Meta Developers publica resultados quase idênticos no DeepSWE 1.1, enquanto o Full supera o Wonder em 4,4 pontos percentuais no SWE-Marathon. Isso justifica olhar para cada tarefa, em vez de assumir que qualquer resultado do Full representa uma grande melhoria. [3]

A vantagem do Full é de 0,2 pontos percentuais no DeepSWE e de 4,4 no SWE-Marathon. Sem estimativas de incerteza ou execuções repetidas, não usaria a primeira diferença para defender uma vantagem significativa. A segunda dá-me uma razão mais concreta para testar o Full num projeto substancial que exija muitos passos.

A ficha do modelo da Meta explica por que motivo estas linhas devem ser lidas separadamente. O DeepSWE 1.1 contém 113 tarefas de 91 repositórios, avaliadas com testes funcionais e de regressão. A Meta atribui os resultados do Wonder e do Full à Datacurve. O SWE-Marathon avalia projetos de maior dimensão através dos seus testes executáveis, e a ficha atribui essa linha à Abundant AI. [4]

A mesma ficha diz que os resultados dos concorrentes no SWE-Marathon usam produtos como o Codex e o Claude Code. Por isso, a linha completa não é uma comparação controlada com um harness comum. O harness é o software em torno do modelo: ferramentas, instruções e ciclo de execução. Isso não invalida os resultados, mas muda a pergunta a que respondem. Comparam os sistemas avaliados, sem isolar a qualidade do modelo. É o mesmo problema que explico na análise das capacidades práticas diferentes por trás de pontuações semelhantes em benchmarks. [4]

Quanto custa a API do Muse Wonder?

A Meta Developers indica 4 dólares por milhão de tokens de entrada sem cache, 0,20 dólares por milhão de entrada em cache e 20 dólares por milhão de saída para o Wonder. O Wonder não tem desconto do escalão de contribuidor (Contributor mode) na API, e os preços publicados não incluem um suplemento para contextos longos. São as tarifas do Wonder, não preços por token do Full. [5]

Um pedido hipotético com 100 000 tokens de entrada sem cache e 10 000 de saída custa 0,60 dólares: 0,40 pela entrada e 0,20 pela saída. Se toda a entrada pudesse ser servida a partir da cache, os mesmos volumes custariam 0,22 dólares. Estes exemplos excluem ferramentas faturadas à parte e pedidos posteriores. A Meta cobra 2,50 dólares por cada 1 000 consultas de pesquisa na Web, além dos tokens. [5]

Para um agente, o custo útil é o da tentativa completa. As chamadas repetidas a ferramentas enviam mais contexto, as abordagens falhadas consomem tokens e uma correção pode exigir outra execução. Uma tabela de preços diz-me quanto custam os tokens. Não me diz quantos serão necessários para o Wonder entregar uma alteração que eu possa aceitar.

Por isso, não juntaria as tarifas da API do Wonder ao melhor resultado do Full para apresentar a combinação como uma pechincha. Estaria a associar o resultado de um modelo ao preço de outro. Também não dividiria o preço mensal de uma subscrição por um número presumido de tarefas: o resultado dependeria da utilização real e dos limites do plano. A diferença entre preço por token e custo medido por tarefa também importa na comparação do GPT-6.1 Sol.

O Active Memory substitui a gestão do contexto?

A Meta AI Research descreve o Active Memory como a capacidade de conservar informação relevante entre conversas. O Active Focus descreve a continuação do trabalho em direção a um objetivo apesar de obstáculos e alterações. São capacidades úteis para avaliar, mas as descrições, por si só, não dizem como um agente de API concreto preservará o estado do projeto. [7]

A integração continua a precisar de responder a uma pergunta prática: que informação receberá o modelo quando o trabalho for retomado? Um modelo capaz de recuperar um requisito só é útil se o sistema guardar esse requisito e disponibilizar a informação certa. Eu testaria isso com um requisito alterado e uma nota antiga que o contradissesse, e verificaria qual deles o agente segue.

Por isso, manteria uma gestão explícita do contexto para agentes de programação enquanto testo o Wonder. Uma janela grande e uma função de memória anunciada não tornam evidentes as instruções atuais do repositório, as decisões aceites ou o trabalho inacabado. O resultado útil é um agente que retoma a tarefa com as restrições certas, não um que apenas se lembra de uma frase.

Quando valeria a pena subscrever o Full?

Para mim, o Full mereceria o seu lugar se concluísse trabalho difícil com menos correções do que a alternativa disponível por API. A maior diferença no SWE-Marathon dá-me uma razão para o testar em tarefas longas, mas mediria os resultados aceites e o tempo decorrido antes de lhe atribuir uma função.

Começaria por uma alteração conhecida do repositório, manteria o mesmo commit inicial e os mesmos testes de aceitação, e registaria tanto as tentativas falhadas como as bem-sucedidas. Para o Wonder por API, guardaria os custos de tokens e ferramentas. Para o Full no Muse Code, registaria o consumo da subscrição, as esperas e as minhas correções posteriores. Isso preservaria a diferença entre o modelo que chamo e o produto que subscrevo.

Antes de usar código privado no teste, também verificaria o escalão de contribuidor. A documentação das subscrições da Meta diz que está ativo por predefinição e permite treinar com o conteúdo enviado em troca de mais utilização. Pode ser desativado, e o Full continua disponível nos planos compatíveis em ambos os modos. Esta escolha faz parte da preparação do teste porque muda as condições de tratamento do código. [6]

A minha primeira pergunta perante um resultado impressionante do Muse Wonder é, portanto, o nome exato do modelo. Depois de o esclarecer, posso escolher um teste adequado ao acesso que realmente tenho e descobrir quanto custa concluir o meu trabalho.